Upload
marsusyi
View
107
Download
0
Embed Size (px)
Citation preview
BAGAIMANA MELAKUKAN UJI RAGAM (ANOVA)YANG MUDAH DIPAHAMI OLEH MAHASISWA S1? *)
Oleh :
Anung SDP **)
A. LATAR BELAKANG
Skripsi adalah salah satu syarat yang harus dibuat oleh mahasiswa S1 untuk
memperoleh gelar kesarjanaannya. Skripsi ini biasanya disusun atas dasar data primer
atau sekundair yang diperoleh dari suatu sumber, atau diperoleh secara langsung melalui
kegiatan survai maupun percobaan. Sasaran utama dari penulisan skripsi bagi
mahasiswa S1 ini, adalah melatih mahasiswa agar mampu melakukan penalaran dengan
baik dan benar yang didasarkan atas informasi yang terkandung di dalam data yang
dianalisisnya. Oleh karena itu, mahasiswa akan lebih mudah melakukan penalaran
apabila dapat membaca dengan mudah informasi yang terkandung di dalam data yang
diperolehnya.
Informasi yang terkandung di dalam suatu data akan mudah dibaca atau
diketahui, apabila data tersebut diperoleh dan dianalisis dengan metoda yang tepat, serta
disajikan secara informatif sesuai dengan permasalahan yang dikaji. Pada kenyataannya,
seringkali dijumpai hasil analisis data yang disajikan kurang informatif, sehingga
menyebabkan interprestasi dan pengambilan kesimpulan yang kurang tepat. Contohnya
pada penyajian hasil uji ragam yang menggunakan uji kontras orthogonal, penyajian
data hasil analisis percobaan faktorial yang ada interaksinya, dlsb. Hal ini terjadi akibat
pemilihan metode untuk mendapatkan dan menganalisis data yang kurang dipahami
dengan baik dan benar. Pada kesempatan ini, penulis ingin memberikan sumbangan
pemikiran tentang uji ragam (ANOVA), kaitannya dengan pemahaman tentang uji ragam
percobaan faktorial dengan perlakuan kontrol menggunakan uji kontras orthogonal,
serta tentang pemahaman adanya interaksi pada percobaan faktorial.
*) Sumbangan pemikiran bagi mahasiswa dan dosen pembimbing skripsi
**) Pengajar pada bidang kajian Hortikultura Faperta UNSOED
B. UJI RAGAM (ANOVA)
Dalam analisis data statistik, untuk menguji dua rerata sampel berbeda atau tidak
digunakan uji t (t test). Misalnya uji t untuk mengetahui apakah ada perbedaan daya
hasil dua varietas cabai yang diteliti. Apabila varietas cabai yang diuji lebih dari dua,
maka pengujian harus dilakukan secara sepasang demi sepasang. Dalam hal ini kalau
tetap menggunakan uji t, maka peluang membuat kesimpulan yang salah akan lebih
besar. Misalnya akan menguji delapan varietas cabai, maka akan didapatkan pasangan
pengujian yang berbeda sebanyak :
C8,2 = 6 !2 ! (6−2 )!
= 6 .5 . 4 !2 ! . 4 !
=15 pasang pengujian
Pada 15 pasang pengujian tersebut, apabila diharapkan 5% pasangan pengujian
mendapatkan thit > t0.05 secara kebetulan saja, maka kemungkinan satu pasang pengujian
atau lebih akan menghasilkan thit > t0.05 adalah :
1 − (0 . 95 )15 = 1 − 0 .46 = 0 .54
Jadi 54% kali atas dasar tingkat significan 5% (α = 5%), akan menarik kesimpulan yang
salah dengan mengatakan bahwa dua rerata sampel berbeda nyata. Semakin banyak
rerata sampel yang akan diuji dengan uji t, maka akan semakin besar peluang membuat
kesimpulan yang salah. Oleh karena itu untuk menguji rerata sampel yang lebih dari
dua, digunakan cara lain yaitu dengan analisis variansi (ANOVA, analyses of variance).
a. Variansi Data
Variansi data sampel yang diberi lambang S2, merupakan rerata dari jumlah
kuadrat (mean square), yaitu jumlah kuadrat simpangan (sum of square) dibagi dengan
derajad bebasnya (db = n-1).
S2 =jumlah kuadrat simpangan (JK )
n − 1
JK = Σ ( X−X¿
)2 = ΣX 2−( ΣX )2
n
Contoh :
Data : 2 6 4 8 5
JK = 22+62+42+82+52−(25)2
5= 145−125 = 20
S2 = JKn−1
= 204
= 5
b. Pendekatan ke Model Liner
Untuk menjelaskan dasar dari ANOVA dapat dilakukan dengan pendekatan ke
model liner, yaitu bahwa data hasil suatu pengamatan mengikuti model persamaan :
Yij = µ + Ti + εij
Yij = data pengamatan perlakuan ke i dan ulangan ke j
µ = rerata data secara umum
Ti = pengaruh perlakuan ke i
εij = faktor kekeliruan
Dari model liner tersebut akan diketahui bahwa simpangan setiap data terhadap rerata
umum (µ), akan sama dengan simpangan akibat perlakuan ditambah simpangan akibat
kekeliruan, sehingga :
Yij - µ = Ti + εij
Jumlah dari masing-masing simpangan tersebut sama dengan nol (0), yaitu :
ƩƩ(Yij - µ) = ƩTi + Ʃεij
0 = 0 + 0
Dalam hal ini agar tidak sama dengan nol perlu dikuadratkan, sehingga menjadi jumlah
kuadrat simpangan.
ƩƩ(Yij - µ)2 = ƩTi2 + Ʃεij
2, atau
ƩƩ(Yij - µ)2 = Ʃ(Axi.-µ)2 + Ʃ(Xij-Axi.)2, tidak lain adalah
JK total =JK perlakuan + JK galat
Dengan manipulasi aljabar, formula jumlah kuadrat simpangan masing-masing
suku di atas dapat disederhanakan menjadi :
JKtotal =∑i=1
t
∑j=1
r
X ij2 −
(ΣΣ X ij)2
t . r
JKperlakuan =∑i=1
t
( ΣX . j )2
r−
(ΣΣ X ij )2
t .rSelanjutnya JK Galat dapat dicari dari persamaan di atas, sehingga: JK Galat = JKtotal - JKperlakuan
Contoh :
Perlakuan Ulangan Ʃ Rerata1 2 3
ABCD
12131923
17111728
16122127
45365778
15121926
216 18
Dari data tersebut dapat diketahui bahwa rerata umum (µ) = 18, sedangkan masing-
masing perlakuan mempunyai rerata A=15, B=12, C=19, dan D=26. Atas dasar model
liner Yij - µ = Ti + εij , dan diketahui bahwa Ti adalah akibat pengaruh perlakuan yaitu
selisih antara rerata masing-masing perlakuan dengan µ yaitu (Axi.-µ), sedangkan εij
adalah kekeliruan dalam setiap perlakuan akibat ulangan yaitu (Xij-Axi.), maka masing-
masing data akan mempunyai persamaan simpangan sebagai berikut :
A1 → (12-18) = (15-18) + (12-15)
A2 → (17-18) = (15-18) + (17-15)
A3 → (16-18) = (15-18) + (16-15)
B1 → (13-18) = (12-18) + (13-12)
B2 → (11-18) = (12-18) + (11-12)
B3 → (12-18) = (12-18) + (12-12)
C1 → (19-18) = (19-18) + (19-19)
C2 → (17-18) = (19-18) + (17-19)
C3 → (21-18) = (19-18) + (21-19)
D1 → (23-18) = (26-18) + (23-26)
D2 → (28-18) = (26-18) + (28-26)
D3 → (27-18) = (26-18) + (27-26)
Apabila dalam setiap data, simpangan pada masing-masing suku dikuadratkan,
kemudian dijumlahkan mulai dari A1 s/d D3 akan didapatkan hasil sbb :
368 = 330 + 38 , nilai ini tidak lain adalah
JK total = JK perlakuan + JK galat
Hasil hitungan tersebut akan persis sama apabila dicari dengan formula :
JKtotal =∑i=1
4
∑j=1
3
X ij2 −
(ΣΣ X ij )2
4 . 3
= 122 + 172 + 162 + . . . + 272 −(216 )2
12= 368
JKperlakuan =∑i=1
4
(ΣX . j )2
3−
(ΣΣ X ij )2
4 .3
= 452 + 362 + 572 + 782
3−
(216 )2
12= 330
JK galat = JK total – JK perlakuan
= 368 – 330
= 38
c. Pendekatan ke Teori Sampling
Analisis ragam digunakan untuk menguji apakah ada perbedaan diantara rerata
perlakuan yang diuji. Namun dalam hal ini materi yang diuji bukan nilai rerata dari
perlakuan tersebut, akan tetapi nilai variansinya. Oleh karena itu hasil ANOVA baru
bisa untuk mengetahui ada atau tidak adanya perbedaan diantara rerata perlakuan,
namun belum dapat diketahui rerata perlakuan mana yang berbeda.
H0 : perlakuan sama pengaruhnya → H0 : µ1 = µ2 = µ3 … = µt
Hi : perlakuan tidak sama pengaruhnya
Di bawah H0 berarti dari semua populasi perlakuan hanya ada satu populasi, atau
perlakuan-perlakuan dianggap berasal dari satu populasi yang sama, dengan rerata µ
dan variansi δ2.
Dari hipotesis di atas (H0, Hi), dapat dijelaskan bahwa nilai karakteristik suatu
populasi yaitu µ dan δ2 biasanya tidak diketahui. Untuk dapat memperoleh gambaran
tentang µ dan δ2 dilakukan dengan mengambil contoh acak : X1, X2, X3, …..Xn
kemudian dihitung nilai statistiknya Ax dan S2 yang merupakan gambaran atau penduga
dari µ dan δ2. Nilai statistik dari sampel akan berubah-ubah tergantung dari sampel
yang terambil, sehingga Ax dan S2 merupakan suatu distribusi. Distribusi rerata sampel
ini akan mempunyai rerata = µ dan varians = δ2/n.
Untuk perlakuan :
Perlakuan 1 Perlakuan 2 …………………Perlakuan ke T
Y11 Y21 Yt1
Y12 Y22 Yt2
Y13 Y23 Yt3
. . .
. . .
. . .
Y1n Y2n Ytn
↓ ↓ ↓
AY1 AY2 AYt
S21 S2
2 S2t
Variansi dari sampel yaitu S21, S2
2……S2t, memberi gambaran mengenai variansi
populasinya yaitu δ2. Rerata tertimbang S21, S2
2……S2t yang disebut variansi contoh
atau variansi dalam contoh adalah penduga terbaik untuk δ2, yaitu :
S2 =(n1−1 )S1
2 + (n2−1)S22 + . . .. .+ ( nt−1)S t
2
(n1−1) + (n2−1) + .. .. .(nt−1)
Rerata tertimbang dari AY1, AY2, …AYt merupakan penduga µ, sedangkan variansi yang ada
diantara Y1, AY2, …AYt yang disebut variansi rerata contoh atau variansi antar contoh
merupakan penduga variansi populasi δ2 juga, yaitu :
St2 =
n1 (Y 1−Y . .
¿)2 + n2 (Y 2−Y
¿)2 + .. . + nt (Y t−Y
¿
. .)2
t − 1
Jika H0 benar yaitu µ1 = µ2 = µ3 … = µt , maka variansi dalam contoh dan variansi antar
contoh sama-sama merupakan penduga yang baik dari variansi populasi δ2, sedangkan
apabila H0 salah maka hanya variansi dalam saja yang merupakan penduga dari variansi
populasi, dan variansi antar contoh nilainya akan lebih besar dari variansi dalam contoh.
Untuk mengetahui H0 benar atau salah, dilihat apakah nilai variansi antar contoh
dekat dengan nilai variansi dalam contoh. Jika nilai variansi antar contoh dekat dengan
nilai variansi dalam contoh, maka rasio kedua variansi tersebut mendekati nilai1(satu).
Ratio kedua variansi ini merupakan nilai F hitung, diterima atau ditolaknya H0
tergantung dari nilai kritis yang dapat dihitung atau dilihat dari nilai F tabel.
Hasil ANOVA dari data di atas adalah sebagai berikut :
Sumber Ragam db JK KT F hitung F α=5%Antar Contoh (perlakuan)Dalam Contoh (galat)
38
33038
1104,75
23,16 4,07
Total 11 368Kesimpulan : H0 ditolak dan Hi diterima, artinya ada perbedaan nyata diantara rerata
perlakuan
d. Uji Lanjut Setelah ANOVA
Seperti telah diterangkan di atas, bahwa dari hasil uji ragam (ANOVA) baru
diketahui ada atau tidak adanya perbedaan diantara rerata perlakuan yang dicoba,
namun belum diketahui rerata perlakuan mana yang berbeda. Untuk itu, diperlukan uji
lanjut untuk mengetahui rerata mana yang berbeda diantara perlakuan yang dicoba. Uji
lanjut ini hanya dilakukan apabila H0 ditolak dan Hi diterima. Apabila H0 diterima,
maka tidak dibenarkan untuk melakukan uji lanjut, hal ini karena ada kemungkinan
akan didapat adanya perbedaan diantara rerata perlakuan yang diuji, yaitu terutama
terjadi apabila dilakukan uji lanjut dengan BNT (beda nyata terkecil). Hal inilah yang
kadang dijumpai pada hasil analisis ragam yang dilakukan oleh mahasiswa S1.
Ada beberapa uji lanjut yang biasa diberikan untuk mahasiswa S1, secara garis
besar dibedakan menjadi tiga macam, yaitu: uji lanjut dengan menggunakan satu nilai
pembanding, uji lanjut dengan beberapa nilai pembanding (uji banding ganda), dan
rencana uji F (plan F) yaitu memecah jumlah kuadrat (JK) perlakuan sesuai dengan
derajad bebasnya menggunakan kontras orthogonal.
1. Uji Beda Nyata Terkecil/BNT (Least Significant Difference/LSD)
Pengujian ini didasarkan atas distribusi t, yaitu bahwa t hitung > t tabel
thitung =X−
1.−X−
2.
S X
> t tabel , sehingga
X¿
1 − X¿
2 > t tabel . SX , → SX = √2 MSEk
, sehingga
BNT = t tabel . √2MSEk
, untuk ulangan yang sama
= ttabel . √MSEk1
+ MSEk2
, untuk ulangan yang tidak sama
Nilai BNT yang kecil menyebabkan uji ini mempunyai kelemahan, yaitu rerata
yang seharusnya tidak berbeda untuk kasus tertentu dengan uji BNT ini menjadi
berbeda. Oleh karena itu, sementara pembimbing Skripsi tidak menghendaki uji
BNT ini untuk kasus-kasus tertentu.
2. Uji Beda Nyata Jujur/BNJ (Honestly Significant Defference/HSD)
Untuk mengatasi kelemahan uji BNT, maka disusun formula lain yang
mempunyai nilai pembanding lebih besar yaitu uji BNJ. Perbedaannya terletak
pada nilai tabel yang lebih besar, yaitu dengan menggunakan tabel Tukey. Tabel
ini disamping ditentukan oleh besarnya derajad bebas dan tingkat
signifikansinya, juga di dasarkan atas banyaknya rerata yang akan dibandingkan.
Kelemahan dari BNJ ini kebalikan dari BNT, yaitu rerata yang seharusnya
berbeda untuk kasus tertentu dengan BNJ ini menjadi tidak berbeda. Sementara
pembimbing senang menggunakan uji lanjut BNJ ini, karena akan diperoleh
kesimpulan yang tebih tegas.
3. Uji Dunnet
Uji Dunnet biasanya digunakan untuk membandingkan antara rerata kontrol
dengan rerata perlakuan yang lain. Cara menghitung nilai pembanding uji
Dunnet sama dengan uji BNT, bedanya pada uji ini menggunakan tabel Dunnet.
Tabel Dunnet disamping ditentukan atas dasar derajad bebas dan tingkat
signifikansinya, juga ditentukan atas dasar banyaknya rerata yang akan
dibandingkan.
4. Uji Banding Ganda Duncan/UBGD (Duncan Multiple Range Test/DMRT)
Uji lanjut yang hanya mempunyai satu nilai pembanding untuk kasus tertentu
mempunyai kelemahan, yaitu apabila rerata yang akan dibandingkan banyak,
maka akan berkemungkinan melakukan kesimpulan yang salah. Perbedaan dua
rerata yang dibandingkan mungkin terjadi hanya karena jarak rankingnya yang
jauh. Untuk itu diperlukan uji lanjut dengan formula yang lain dengan
mempertimbangkan jarak perbandingan dalam suatu ranking, yaitu yang dikenal
dengan uji banding ganda. Dua rerata dibandingkan dengan suatu nilai atas
dasar jarak perbandingannya, sehingga akan diperlukan banyak nilai
pembanding. Besarnya nilai pembanding, disamping didasarkan atas variansi
galat, derajad bebas, tingkat signifikansi, juga didasarkan atas jarak
perbandingan menurut ranking. Untuk uji UBGD menggunakan tabel Duncan.
Dapat dilihat bahwa, untuk uji UBGD pada jarak perbandingan 2 tidak lain
adalah sama dengan uji BNT.
5. Uji Student Newman Keul (SNK)
Uji SNK disusun guna memperbaiki kelemahan uji UBGD yang nilainya lebih
kecil, seperti halnya uji BNT yang diperbaiki dengan uji BNJ. Cara menghitung
pada uji SNK sama dengan uji UBGD, perbedaannya hanya pada tabel yang
digunakan, uji SNK menggunakan tabel Tukey.
6. Rencana Uji F (Plan F)
Semua uji lanjut yang telah dibicarakan di atas mempunyai kelemahan, yaitu
bahwa hasil uji tersebut kadang tidak bisa secara langsung menjawab
hipotesisnya. Atas dasar itu, maka disusun uji lanjut lain yaitu rencana uji F
(plan F) untuk mengatasi kelemahan tersebut. Pada rencana uji F, jumlah
kuadrat simpangan dari perlakuan dipecah menjadi beberapa perbandingan
sebanyak derajad bebasnya. Perbandingan-perbandingan yang diinginkan
disusun atas dasar hipotesisnya, atau disusun untuk mengetahui sebanyak-
banyaknya informasi yang terkandung di dalam data yang dianalisis. Oleh
karena itu, dengan uji F interprestasi, penalaran, dan penarikan kesimpulan atas
informasi yang terkandung di dalam data akan lebih komprehensip. Namun
demikian, dalam uji F dituntut adanya pemahaman secara mendalam tentang uji
ragam serta penguasaan permasalahan yang akan dikaji. Prinsip dasar dari uji F
ini adalah, bahwa jumlah kuadrat sebelum dan sesudah dipecah harus sama.
Pemecahan ini dilakukan menggunakan kontras orthogonal, dengan formula:
JKQi =( Σλi T i)
2
n( Σλi2 )
Qi = macam perbandingan yang dibuat ke i
λi = koefisien kontras orthogal ke i yang dibuat sedemikian rupa sehingga
memenuhi syarat kontras (Σλi = 0), dan syarat orthogonal (Σλi.λi+1 = 0).
Ti = jumlah nilai data perlakuan ke i
n = banyaknya ulangan pada perlakuan
C. PERCOBAAN FAKTORIAL DENGAN PERLAKUAN KONTROL
Adakalanya dalam merancang perlakuan sebuah percobaan perlu menambah
satu perlakuan kontrol, baik untuk perlakuan faktorial maupun non faktorial. Perlakuan
kontrol ini dimaksudkan untuk mengetahui sejauh mana perlakuan yang dicoba
memberi pengaruh pada obyek yang diamati. Misalnya, sejauh mana perlakuan pupuk
yang diberikan berpengaruh terhadap tanaman yang diuji dibandingkan tanpa dipupuk,
sejauh mana larutan hara hidroponik organik yang dibuat berpengaruh terhadap hasil
tanaman dibandingkan dengan larutan hara yang sudah biasa digunakan (AB-mix), dlsb.
Di bawah ini suatu contoh tabel ANOVA dari suatu makalah yang ditulis bersumber
bukunya Steel and Torrie (1984) dengan informasi sbb:
- Rancangan perlakuannya adalah perlakuan faktorial plus kontrol
- Faktor yang dicoba jenis pupuk (J1, J2) dan dosis N (N1, N2, N3)
- Rancangan lingkungannya RAKL tiga ulangan (blok)
TABEL ANOVA
No Sumber Variansi Db JK KT Fhitung Ftabel
1.
2.
3.
4.
5.
6.
7.
8.
Blok
Perlakuan
Kntrl vs Faktorial
J1 vs J2
N2 vs (N1+N3)
(N1-N3) pd J1 vs J2
(N2 vs N1+N3) pd J1vs J2
Galat
2
6
1
1
1
1
1
12
9. Total 20
Atas dasar tabel ANOVA di atas, dapat diketahui bahwa JK Perlakuan dipecah
menjadi enam perbandingan (sejumlah derajad bebasnya) menggunakan kontras
orthogonal. Perbandingan no 3 untuk mengetahui perbedaan kontrol dengan perlakuan
faktorial, no 4 dan 5 untuk mengetahui efek mandiri masing-masing faktor, serta no 6
dan 7 untuk mengetahui pengaruh interaksi kedua faktor. Pada kenyataannya, tidak
semua mahasiswa mampu membaca, menginterprestasikan, dan menyajikan hasil
ANOVA tersebut dengan baik. Hal ini terbukti, bahwa hasil analisis data yang
disajikan pada bab pembahasannya masih dalam bentuk perbandingan-perbandingan
seperti yang tercantum di dalam ANOVA, data seperti ini jelas kurang informatif bagi
pembaca. Oleh karena itu, perlu pendekatan cara analisis ragam faktorial plus kontrol di
atas agar lebih mudah dipahami oleh mahasiswa, yaitu dengan mengembalikan ke
dalam bentuk dasar analisis ragam faktorial. Apabila dikembalikan dalam bentuk dasar,
maka tabel ANOVA di atas dapat ditulis sbb:
TABEL ANOVA
No Sumber Variansi db JK KT Fhitung Ftabel
1.
2.
3.
4.
5.
6.
7.
8.
Blok
Perlakuan
Kntrl vs Faktorial
Faktorial (JN)
J
N
J >< N
Galat
2
6
1
5
1
2
2
12
9. Total 20
Atas dasar tabel ini, JK Perlakuan (db=6) dipecah menjadi JK Kntrl vs Faktrl
(no 3) dan JK Faktorial (no 4), selanjutnya JK Faktorial dipecah menjadi JK efek
mandiri (no 5 dan 6) dan JK interaksi (no 7). Seperti telah dijelaskan di muka, bahwa
variansi adalah jumlah kuadrat simpangan dibagi dengan derajad bebasnya. Sumber
variansi no 3 (Kntrl vs Faktrl) mempunyai db = 1, artinya variansi yang terjadi hanya
disebabkan oleh dua rerata, yaitu rerata Kontrol dan rerata perlakuan Faktorial secara
keseluruhan. Oleh karena itu jumlah kuadrat simpangan yang dimaksud disini adalah
simpangan kuadrat rerata Kontrol terhadap rerata umum ditambah simpangan kuadrat
rerata Faktorial terhadap rerata umum, yaitu :
JK Kntrl vs Faktrl = ( K¿
− X¿
. .)2 + ( F
¿
− X¿
. .)2
Dengan manipulasi aljabar dapat ditulis dan disederhanakan menjadi :
JK Kntrl vs Faktrl =T K
2
nK
+T F
2
nF
− CF
Hasil perhitungan dengan formula ini akan persis sama dengan uji kontras orthogonal.
Untuk menghitung JK Perlakuan Faktorial (JN) beserta pemecahannya ke dalam
pengaruh mandiri dan pengaruh interaksinya, persis sama dengan perhitungan JK untuk
perlakuan Faktorial yang telah dipelajari selama ini, hanya bedanya data perlakuan
Kontrol tidak dimasukkan.
TELADAN :
1. Data berikut adalah simulasi angka data yang akan digunakan untuk
menjelaskan permasalah yang telah diterangkan di atas. Misalkan data pengaruh
konsentrasi larutan (K) dua macam bahan organik (O) terhadap hasil sawi
hidroponik, dengan rancangan perlakuan faktorial 2 x 3 plus perlakuan kontrol
(AB-mix), disusun dengan RAKL tiga ulangan.
PERLK BLK I BLK II BLK III JumlahKONTROL 3 5 4 12
O1 K1 2 2 1 5K2 3 3 2 8K3 4 5 4 13
O2 K1 4 3 3 10K2 5 5 4 14K3 7 6 5 18
Jumlah 28 29 23 80
Perhitungan jumlah kuadratnya :
JK blok = 282+292+232
7−802
21= 2 ,9524
JK perlakuan = 122+52+ . . .+182
3−802
21= 35 ,9048
JK Kontrl vs Faktrl = 122
3+682
18−802
21= 0 , 1270
Jika dicari dengan kontras orthogonal hasilnya adalah:
JK Kontrl vs Faktrl ={(6 )12−5−8−13−10−14−18}2
3 (36+1+1+1+1+1+1)= 0 ,1270
JK Faktorial = 52+82+132+102+142+182
3−682
18= 35 , 7778
Jika perhitungannya benar, maka :
JK Perlakuan = JK Kontrl vs Faktrl + JK Faktorial
35,9048 = 0,1270 + 35,7778
Selanjutnya pemecahan untuk perlakuan Faktorialnya sama seperti yang telah dipelajari,
yaitu :
JK O =
(5+8+13)2+(10+14+18)2
9−682
18= 14 ,2222
JK K =
(5+10)2+(8+14 )2+(13+18 )2
6−682
18= 21 , 4444
JK Interaksi = JK Faktorial – JK O – JK K
= 35,7778 – 14,2222 – 21,4444 = 0,1111
Tabel ANOVA
PERLK DB JK KT F hitung F 5% F 1%BLOK 2 2,9524 1,4762 4,04PERLK 6 35,9048 5,9841 16,39K><FAKTORIAL 1 0,1270 0,1270 0,35FAKTORIAL 5 35,7778 7,1556 19,60O 1 14,2222 14,2222 38,96K 2 21,4444 10,7222 29,37O><K 2 0,1111 0,0556 0,15GALAT 12 4,3810 0,3651TOTAL 20 43,2381
Atas dasar hasil ANOVA di atas, diketahui bahwa Kontrol vs perlakuan
Faktorial tidak nyata. Hal ini bukan berarti dapat disimpulkan bahwa perlakuan larutan
hara organik yang dicoba otomatis bisa menggantikan larutan hara AB-mix (kontrol),
karena yang dibandingkan dengan kontrol adalah rerata seluruh kombinasi perlakuan
(rerata dari 6 kombinasi perlakuan secara keseluruhan). Jadi ada kemungkinan dari 6
kombinasi itu ada yang berbeda dengan kontrol, sehingga masih perlu dicari perlakuan
mana yang bisa menggantikan AB-mix dengan baik. Pada kondisi lain apabila Kontrol
vs perlakuan Faktorial nyata, perlu hati-hati di dalam membaca dan menarik
kesimpulan, karena masih perlu ditetahui perlakuan yang mana diantara semua
kombinasi perlakuan Faktorial yang mempunyai rerata lebih tinggi atau lebih rendah
dengan kontrol. Hasil lain atas dasar ANOVA di atas yaitu: perlakuan Faktorial nyata,
pengaruh mandiri kedua faktor yang dicoba nyata, tetapi tidak ada pengaruh interaksi.
Untuk uji lanjut setelah ANOVA, karena akan membandingkan rerata perlakuan dengan
rerata kontrol maka digunakan uji BNT-Dunnet. Dalam hal ini harus hati-hati, karena
rerata kontrol dan rerata perlakuan mempunyai ulangan yang tidak sama, sehingga dari
formula 2MSE/n ujinya harus ditulis sebagai berikut :
BNT DUNNET = ( tα DUNNET )√MSEn1
+MSEn2
= (2 ,11).√0 ,36513
+0 ,36519
= 0 ,85
Hasil analisis data di atas dapat disajikan seperti pada tabel berikut :
Tabel 1. Rerata hasil tanaman akibat perlakuan jenis bahan organik dan konsentrasi larutan hidroponik.
Perlakuan Kontrol K1 K2 K3 RerataKontrol 4,00 4,00 aO1 1,67 2,67 4,33 2,89 bO2 3,33 4,67 6,00 4,67 aRerata 4,00 B 2,50 D 3,67 C 5,17 A (-)
Keterangan : (-) tidak ada interaksi, rerata perlakuan yang diikuti huruf kecil pada kolom yang sama dan rerata perlakuan yang diikuti huruf besar pada baris yang sama tidak berbeda pada taraf BNT-Dunnet 5%.
Atas dasar Tabel 1 di atas dapat diketahui bahwa larutan organik yang dapat
menggantikan AB-mix adalah berasal dari jenis bahan organik 2 (O2), larutan tersebut
dapat menggantikan AB-mix apabila diberikan dengan konsentrasi tinggi (K3).
2. Data berikut adalah simulasi angka data seperti di atas, tetapi dibuat untuk
menjelaskan adanya interaksi antara dua faktor yang dicoba.
PERLK BLK I BLK II BLK III JumlahKontrol 3 5 4 12
O1 K1 2 2 1 5K2 3 3 2 8K3 4 5 4 13
O2 K1 4 3 3 10K2 6 7 5 18K3 4 4 3 11
Jumlah 26 29 22 77Dengan cara yang sama, akan diperolah tabel ANOVA sebagai berikut :
TABEL ANOVA
PERLK DB JK KT F hitung F 5% F 1%BLOK 2 3,5238 1,7619 5,55PERLK 6 33,3333 5,5556 17,50K><FAKTORIAL 1 0,3889 0,3889 1,23FAKTORIAL 5 32,9444 6,5889 20,76O 1 9,3889 9,3889 29,58K 2 11,4444 5,7222 18,03O><K 2 12,1111 6,0556 19,08GALAT 12 3,8095 0,3175TOTAL 20 40,6667
Tabel ANOVA di atas menunjukkan bahwa ada interaksi antara jenis bahan
organik dengan konsentrasi, artinya setiap jenis bahan organik tergantung
konsentrasinya apabila digunakan sebagai larutan hara hidroponik. Dengan adanya
interaksi kedua faktor perlakuan yang dicoba menjadi saling tergantung (dependent
factor). Oleh karena itu, sudah tidak dibenarkan kalau masih membaca/membahas
pengaruh mandiri faktor. Hal ini kadang masih sering dilakukan oleh sementara
mahasiswa dalam tulisan skripsinya. Dalam hal ini ada beberapa kondisi interaksi :
1. Kedua faktor bersifat kualitatif, uji lanjut setelah ANOVA yang dapat dilakukan
berupa uji rerata perlakuan. Hasil uji disajikan dalam bentuk tabel matrik seperti
hasil analisis di atas. Pola interaksinya dapat diketahui dari tanda huruf yang
menyertai rerata per kondisi faktor, bisa ke arah baris atau ke arah kolom
tergantung faktor mana yang dipentingkan.
2. Satu faktor kualitatif dan satu faktor kuantitatif, uji lanjut dapat dilakukan
dengan uji rerata perlakuan, tetapi sangat dianjurkan melakukan uji garis pada
masing-masing kondisi faktor kualitatif.
3. Kedua faktor bersifat kuantitatif, uji lanjut dapat dilakukan dengan uji rerata
perlakuan, tetapi sangat dianjurkan melakukan uji garis pada masing-masing
kondisi salah satu faktor kuantitatif. Pemilihan faktor kuantitatif yang
dikondisikan ditentukan sendiri oleh peneliti.
Uji garis dilakukan dengan kontras orthogonal, yaitu memecah jumlah kuadrat interaksi
ditambah jumlah kuadrat faktor yang dikondisikan, menjadi beberapa jumlah kuadrat
respon garis regresi faktor kuantitatif pada masing-masing faktor yang lain. Jadi uji
garis ini akan benar, apabila JK pemecahan akan sama persis dengan JK interaksi
ditambah JK faktor yang dikondisikan.
Untuk Tabel ANOVA di atas, dapat dilanjutkan dengan uji sebagai berikut :
PERLK DB JK KT F hitung F 5% F 1%BLOK 2 3,5238 1,7619 5,55PERLK 6 33,3333 5,5556 17,50K><FAKTORIAL 1 0,3889 0,3889 1,23FAKTORIAL 5 32,9444 6,5889 20,76O 1 9,3889 9,3889 29,58K 2 11,4444 5,7222 18,03O><K 2 12,1111 6,0556 19,08O1-Lin 1 10,6667 10,6667 33,60O1-Kua 1 0,2222 0,2222 0,70O2-Lin 1 0,1667 0,1667 0,53O2-Kua 1 12,5000 12,5000 39,38Galat 12 3,8095 0,3175Total 20 40,6667
Hasil perhitungan pemecahan regresi dengan kontras ortogonal akan benar, apabila
jumlah keempat JK pemecahan (O1-Lin, O1-Kua, O2-Lin, dan O2-Kua) sama persis
dengan JK K ditambah JK interaksi (O><K). Atas dasar tabel ANOVA ini dapat
diketahui pola interaksi antara jenis bahan organik dengan konsentrasi, yaitu bahwa
pada jenis 1 (O1) konsentrasi berpengaruh secara liner, sedangkan pada jenis 2 (O2)
berpengaruh secara kuadrater. Di bawah ini akan disajikan hasil uji lanjut dalam bentuk
tabel matrik dan dalam bentuk gambar (garis regresi).
a. Dalam bentuk tabel matriks
Tabel 2. Rerata hasil tanaman akibat perlakuan jenis bahan organik dan konsentrasi larutan hidroponik.
Perlakuan Kontrol K1 K2 K3 RerataO1 4,00 a 1,67 c 2,67 b 4,33 a 3,77O2 4,00 b 3,33 b 6,00 a 3,67 b 4,25Rerata 4,00 2,50 4,33 4,00 (+)
Keterangan : (+) ada interaksi, rerata perlakuan yang diikuti huruf kecil pada baris yang sama tidak berbeda pada taraf BNT-Dunnet 5%.
Tabel 2 menunjukkan bahwa ada pengaruh interaksi antara jenis dan konsentrasi larutan
hara organik terhadap hasil tanaman secara hidroponik. Pada jenis 1 (O1) dapat
menggantikan AB-Mix apabila diberikan dengan konsentrasi tinggi (K3), sedangkan
pada jenis 2 (O2) pada semua konsentrasi yang dicoba dapat menggantikan AB-Mix,
bahkan pada K2 hasil tanaman lebih tinggi dibandingkan AB-Mix.
b. Penyajian dalam bentuk gambar
Dalam hal ini tidak perlu uji garis lagi, karena pada ANOVA di atas sudah
jelas diketahui bahwa pada O1 konsentrasi berpengaruh secara liner, sedang pada O2
berpengaruh secara kuadratik. Pada gambar akan terlihat R2 nya nyata.
4 6 8 10 12 14 160
1
2
3
4
5
6
7
8
f(x) = − 0.1 x² + 2.03333333333334 x − 4.33333333333335R² = 0.791666666666667
f(x) = 0.266666666666667 x + 0.222222222222222R² = 0.827586206896552
O1Linear (O1)O2Polynomial (O2)
D. PENUTUP
Agar informasi yang terkandung di dalam suatu data akan mudah dibaca atau
diketahui, maka data tersebut sebaiknya diperoleh dan dianalisis dengan metoda yang
tepat, serta disajikan secara informatif sesuai dengan permasalahan yang dikaji. Atas
dasar uraian di atas, hal-hal yang perlu dipahami mahasiswa S1 dalam melakukan
analisis ragam, khususnya untuk rancangan perlakuan faktorial dengan satu perlakuan
kontrol adalah :
1. Analisis ragam yang akan dilakukan sebaiknya dikembalikan ke dalam bentuk
dasar analisis ragam perlakuan faktorial yang selama ini sudah dipelajari.
Penggunaan uji kontras orthogonal dapat dianjurkan, apabila mahasiswa mampu
memahaminya dengan baik, sehingga mampu membaca dan menyajikan hasil
analisis secara informatif.
2. Uji lanjut untuk membandingkan dua rerata dengan ulangan yang berbeda, perlu
memperhatikan kesalahan bakunya, bukan √ 2 MSEn tetapi √ MSE
n1
+ MSEn2
3. Jika terjadi pengaruh interaksi antar faktor, maka tidak dibenarkan lagi membaca
atau membahas pengaruh mandiri faktor-faktor tersebut, karena antar faktor
menjadi saling tergantung (dependent factor)
4. Untuk melihat pola pengaruh interaksi antar faktor yang memuat faktor kuantitatif,
dianjurkan melakukan uji ragam sampai ke tingkat regresi, dengan mengkondisikan
pada salah satu faktor, dilakukan menggunakan kontras orthogonal.
5. Penyajian data hasil analsis dapat berupa tabel matrik, atau gambar regresi apabila
termuat faktor yang bersifat kuantitatif.
Semoga sumbangan pemikiran ini bermanfaat, saran, koreksi dan masukkan
sangat diharapkan.